SparScene：通过稀疏图学习实现大规模轨迹生成的高效交通场景表示
机器人学
2025-12-25 v1
摘要
多智能体轨迹生成是自动驾驶和智能交通系统的核心问题。然而，在复杂场景中高效地建模众多道路使用者和基础设施之间的动态交互仍然是一个开放问题。现有方法通常采用基于距离或全连接的稠密图结构来捕获交互信息，这不仅引入了大量冗余边，还需要复杂且参数繁重的网络进行编码，从而导致训练和推理效率低下，限制了其向大型复杂交通场景的可扩展性。为了克服现有方法的局限性，我们提出了 SparScene，一个专为高效且可扩展的交通场景表示而设计的稀疏图学习框架。SparScene 不依赖于距离阈值，而是利用车道图拓扑来构建智能体与车道之间结构感知的稀疏连接，从而实现高效且信息丰富的场景图表示。SparScene 采用轻量级图编码器，高效地聚合智能体-地图和智能体-智能体交互，产生紧凑的场景表示，显著提高了效率和可扩展性。在 Waymo 开放运动数据集 (WOMD) 的运动预测基准上，SparScene 以卓越的效率实现了有竞争力的性能。它在 5 毫秒内为一个场景中的 200 多个智能体生成轨迹，并且仅用 54 毫秒的推理时间和 2.9 GB 的 GPU 内存即可扩展到超过 5000 个智能体和 17000 条车道，突显了其对于大规模交通场景的卓越可扩展性。
引用
@article{arxiv.2512.21133,
title = {SparScene: Efficient Traffic Scene Representation via Sparse Graph Learning for Large-Scale Trajectory Generation},
author = {Xiaoyu Mo and Jintian Ge and Zifan Wang and Chen Lv and Karl Henrik Johansson},
journal= {arXiv preprint arXiv:2512.21133},
year = {2025}
}
备注
13 pages, 7 figures, 5 tables